Konferensi Nasional Ilmu Sosial & Teknologi (KNiST) Maret 2017, pp. 342~348
342
APLIKASI PREDIKSI BANJIR METODE FUZZY LOGIC, HASIL ALGORITMA SPADE DAN ALGORITMA PSO Maxsi Ary AMIK BSI Bandung e-mail:
[email protected] Abstrak Pembahasan mengenai prediksi banjir dengan beberapa metode telah dilakukan oleh beberapa penulis. Diantaranya dengan metode fuzzy logic, perhitungan algoritma particle swarm optimization (PSO), perhitungan algoritma SPADE, dan lain sebagainya. Tujuan dari penulisan ini adalah membuat aplikasi prediksi banjir dengan metode fuzzy logic, alternatif hasil algoritma SPADE dan algoritma PSO. Early Warning System (EWS) pada algoritma SPADE diperlukan untuk informasi awal sistem peringatan dini banjir. Sistem peringatan akan aktif atau menyala jika parameter data yang menjadi data input memenuhi aturan (rule). Algoritma PSO digunakan untuk menyelesaikan sistem persamaan nonlinear prediksi banjir. Program aplikasi menggunakan Microsoft Visual Basic 6.0. Proses input data sebagai informasi prediksi banjir meliputi suhu, kelembaban, kecepatan angin, curah hujan, lamanya hujan, dan nilai awal muka air. Aplikasi prediksi banjir mudah digunakan, hasil yang diberikan yaitu prediksi banjir dan indikator untuk EWS (Early Warning System) dengan metode fuzzy logic hasil algoritma SPADE dan algoritma PSO. Keywords: Algoritma SPADE, Algoritma PSO, Fuzzy Logic, Early Warning System, Persamaan Nonlinear, Aplikasi Prediksi Banjir.
1. Pendahuluan Banjir merupakan kata yang sering didengar pada musim hujan dengan intensitas yang sering dan lebat (Ary, 2017). Daerah yang menjadi langganan banjir pada musim penghujan ada disekitar arus sungai. Terkadang daerah yang jauh dari sungai pun terkena banjir, jika intensitas curah hujan yang terjadi cukup sering dan lebat serta sungai tidak sanggup menampung banyaknya air hujan. Banjir yang melanda Kabupaten Bandung makin meluas akibat curah hujan yang tinggi dan kiriman air dari daerah-daerah lainnya. Banjir melanda Kecamatan Baleendah, Kecamatan Dayeuhkolot, Kecamatan Bojongsoang, Kecamatan Rancaekek, dan Kecamatan Majalaya (Sarnapi-PikiranRakyat, 2016). Setiap tahun daerah tersebut menjadi langganan banjir, dan warga setempat tetap bertahan dengan alasan tidak ada pilihan lain untuk meninggalkan lokasi. Salah satu penanggulangan atau antisipasi banjir yang meluas di Kota Jakarta adalah menggunakan Early Warning System (EWS) (Irw/Nrl-DetikNews, 2011). Penggunaan sistem EWS yang canggih di kota Jakarta sudah tidak digunakan lagi, dengan alasan yang paling utama adalah bukan sistem yang
canggih melainkan peringatan dini dan mitigasi. Menurut Haris Syahbuddin dan Tri Nandar Wihendar (Balai Penelitian Agroklimat dan Hidrologi, 2008) anomali cuaca yang terjadi saat ini menyebabkan prediksi hujan semakin sulit untuk dilakukan dan hal ini mengakibatkan analisa serta memprediksi bencana banjir yang diakibatkan curah hujan yang tinggi kurang cepat untuk diprediksi. Informasi peringatan dini yang cepat dan mitigasi penduduk untuk mengungsi sementara bagi masyarakat sangat diperlukan terutama pada daerah yang dilanda banjir akibat curah hujan dengan intensitas cukup sering dan lebat. Diperlukan suatu cara untuk melihat pola data dari anomali kondisi cuaca yang dapat digunakan untuk menentukan dan memprediksi banjir. Beberapa alternatif untuk prediksi banjir dapat digunakan algoritma Particle Swarm Optimization (PSO) (Rosita, Purwananto, & Soelaiman, 2012), dan penentuan pola urutan data menggunakan kelas yang sama mengenai anomali cuaca dengan algoritma SPADE (Sequential Pattern Discovery Using Equivalence Classes) (Suwarningsih & Suryawati, 2012). Algoritma PSO dapat
Diterima 27 Januari 2017; Revisi 17 Februari 2017; Disetujui 15 Maret, 2017
ISBN: 978-602-61242-0-3 menyelesaikan sistem persamaan nonlinear (Rosita dkk, 2012), selain itu PSO merupakan salah satu metode optimisasi yang terbukti efektif digunakan untuk memecahkan masalah optimisasi multidimensi dan multiparameter pada pembelajaran machine learning (Brits, 2009). Sedangkan algoritma SPADE adalah algortima untuk penemuan secara cepat dari pola data yang berurutan (Mohammed, 2001). Pada Algoritma PSO, pencarian solusi dilakukan oleh suatu populasi yang terdiri dari beberapa partikel. Populasi dibangkitkan secara random dengan batasan nilai terkecil dan terbesar. Setiap partikel merepresentasikan posisi atau solusi dari permasalahan yang dihadapi. Setiap partikel melakukan pencarian solusi yang optimal dengan melintasi ruang pencarian (search space). Hal ini dilakukan dengan cara setiap partikel melakukan penyesuaian terhadap posisi teraik dari partikel tersebut (local best) dan penyesuaian terhadap posisi partikel terbaik dari seluruh kawanan (global best) selama melintasi ruang pencarian. Hasil pengolahan algoritma SPADE dan Algoritma PSO dilanjutkan dengan metode fuzzy logic untuk memprediksi banjir. Metode fuzzy logic Menurut (Kusumadewi & Purnomo, 2010) mudah untuk dimengerti. Metode fuzzy logic menggunakan dasar teori himpunan, maka konsep matematika yang mendasari penalaran fuzzy tersebut cukup mudah untuk dimengerti secara umum. Metode fuzzy logic sangat fleksibel, artinya mampu beradaptasi dengan perubahan-perubahan, dan ketidakpastian yang menyertai permasalahan. Fuzzy logic adalah suatu cara yang tepat untuk memetakan suatu ruang input ke dalam suatu ruang output, mempunyai nilai kontinyu dan fuzzy logic dinyatakan dalam derajat dari suatu keanggotaan dan derajat dari kebenaran (Kusumadewi S. , 2002). Untuk menghadapi banyaknya informasi yang tidak tepat, diperlukan gagasan fuzzy logic dalam penentuan prediksi (Ary, Penyelesaian Persoalan Transportasi Dengan Fuzzy Cost Menggunakan Pendekatan Basis Tree, 2013). Termasuk dalam prediksi banjir dengan beberapa informasi berupa variabel fuzzy. 2. Metode Penelitian Metode yang dilakukan untuk penelitian ini adalah fuzzy logic. Untuk menentukan pola data yaitu dengan algoritma SPADE, dan algoritma PSO. Data yang akan digunakan untuk analisa dari hasil pemantauan BMKG (Badan Meteorologi, Klimatologi, dan Geofisika).
KNiST, 30 Maret 2017
Hasil pengolahan Algoritma SPADE dan Algoritma PSO dilanjutkan dengan metode fuzzy logic untuk menentukan prediksi banjir. Sumber data yang digunakan adalah data sekunder dari BMKG kota Bandung meliputi data suhu, kelembaban, kecepatan angin, curah hujan, lamanya hujan, dan nilai awal muka air bulan Januari sampai Desember 2009. Untuk mempermudah masyarakat memprediksi banjir, dibuat aplikasi prediksi banjir. Berikut model pengembangan sistem sebagai berikut (Gambar 1):
Gambar 1. Model Pengembangan Sistem 3. Pembahasan 3.1. Algoritma SPADE SPADE (Sequential Pattern Discovery Using Equivalence Classes) atau lebih dikenal dengan nama algortima penemuan pola urutan data menggunakan kelas yang sama, merupakan sebuah algoritma baru untuk penemuan secara cepat dari pola data yang berurutan. Kelas adalah kumpulan objek yang memiliki atribut atau parameter yang sama, dan frekuensi adalah jumlah kemunculan data yang memiliki nilai yang sama. Misalkan I {i1, i2 , , in } merupakan himpunan objek yang terdiri dari alphabet. Sedangkan sebuah kejadian (event) adalah kumpulan dari aksi yang memiliki perintah untuk dilakukan. Urutan (sequence) adalah daftar daftar dari kejadian. Sebuah kejadian dinotasikan sebagai (i1, i2 , , ik ) dimana i j adalah objek. Jika ada sebuah a yang merupakan urutan dari objek, maka dapat dinotasikan sebagai berikut: (a1 a2 aq ) dimana an adalah sebuah kejadian. Sebuah urutan dengan k objek dinotasikan dengan k j ai , maka ini berarti adalah kurutan (k-sequance).
343
ISBN: 978-602-61242-0-3 Proses pembacaan pola menjadi informasi digunakan untuk menentukan aturan (rule) yang akan dijadikan sebagai proses seleksi terhadap data inputan. Berikut adalah pola informasi tersebut dalam bentuk algoritma, yaitu: IF Suhu <= 23 AND Kelembaban >=94 AND kecepatan_Angin >=4 AND Curah_Hujan >=35 AND Lamanya_Hujan >=60 THEN "system alarm peringatan dini Nyala" ELSE "system alarm peringatan dini Mati"
Aturan yang dihasilkan dari proses pembacaan pola menjadi informasi ini akan digunakan dengan menggunakan data uji. Data yang digunakan untuk pengujian ini adalah data cuaca dari bulan Januari – Desember 2009 diambil secara acak (random) yang digenerasi dengan metode random number variate generator. Hasil pembahasan pola data menjadi informasi untuk menentukan aturan (rule) yang akan dijadikan sebagai proses seleksi terhadap data masukan (input). Pola optimal yang merupakan hasil dari proses pemangkasan pola adalah sebagai berikut (Tabel 1):
Tabel 1. Pengujian Aturan (Rule) Suhu ( )
Kelembaban
23 22,5 21 22,7 22,9 21,5 21,6 22,8 22,4 22,6 20 21,2 20,5 23,1 21,8 22,7
94 95 95 93 94 96 96 97 94 96 94 95 94 95 97 94
Arah Angin W W W W W W W W W W W W W W W W
Kec Angin (knot) 5 5 6 6 7 4 5 5 6 7 7 7 6 6 7 7
Curah Hujan (mm)
Lamanya Hujan (menit)
35,5 36 39 40,2 45,1 39,4 40,3 45,2 36 39 40,2 45,5 39,7 40,3 40,3 45,4
61 120 98 11 85 96 100 102 15 145 97 87 5 113 87 85
Hasil Uji (EWS) Nyala Nyala Nyala Mati Nyala Nyala Nyala Nyala Mati Nyala Nyala Nyala Mati Nyala Nyala Nyala
Sumber: (Suwarningsih & Suryawati, 2012) Tabel 1 hasil pengujian aturan (rule) terhadap 1. Bangkitkan posisi awal sejumlah partikel data klimatologi menunjukan persentase sekaligus kecepatan awalnya secara sebesar 81,25% system EWS menyala, ini random terjadi karena data memenuhi aturan (rule), 2. Evaluasi fitness dari masing-masing sedangkan sisanya sebesar 18,75% tidak partikel berdasarkan posisinya menyala (mati) dikarenakan terdapat salah 3. Tentukan partikel dengan fitness terbaik satu parameter/indikator data tidak terpenuhi. dan tetapkan sebagai Gbest. Untuk setiap Indikator tersebut adalah lamanya hujan masih partikel Pbest awal akan sama dengan dibawah 60 menit. posisi awal. Ulangi langkah berikut hingga stopping criteria 3.2. Algoritma PSO terpenuhi: Algoritma Particle Swarm Optimization (PSO) 1. Menggunakan Pbest dan Gbest yang ada, merupakan teknik optimisasi berbasis perbaharui kecepatan setiap partikel populasi. Algoritma PSO memiliki sifat seperti menggunakan persamaan 1. Lalu dengan kawanan burung. Jika satu partikel atau kecepatan baru yang didapat, perbarui seekor burung menemukan jalan yang tepat posisi setiap partikel menggunakan atau pendek menuju ke sumber makanan, sisa persamaan 2. kelompok yang lain juga akan dapat segera 2. Evaluasi fitness dari setiap partikel mengikuti jalan tersebut meskipun lokasi 3. Tentukan partikel dengan fitness terbaik mereka jauh dari kelompok tersebut (Santoso dan tetapkan sebagai Gbest. Untuk setiap & Willy, 2011). partikel tentukan Pbest dengan Algoritma PSO meliputi langkah-langkah membandingkan posisi sekarang dengan sebagai berikut: Pbest dari iterasi sebelumnya. 4. Cek stopping criteria, jika terpenuhi berhenti, jika tidak kembali ke 1.
KNiST, 30 Maret 2017
344
ISBN: 978-602-61242-0-3 Fuzzy logic hasil pengolahan data dengan menggunakan persamaan algoritma PSO dengan memasukkan variabel curah hujan,
lama hujan, dan debit sungai disajikan pada tabel 2 berikut.
Tabel 2. Fuzzy Logic Hasil Pengolahan Algoritma PSO Var. X x141 x175 x226 x277 x278 x281 x286 x291 x292 x295 x314 x347
Nilai awal Curah Hujan (X) 25 10 11 15 11 39 20 37 15 0 25 24
Posisi Partikel (X) dengan PSO 51,710 71,925 99,397 128,820 129,330 130,880 133,380 135,870 136,310 137,580 145,770 160,500
Var. V v141 v175 v226 v277 v278 v281 v286 v291 v292 v295 v314 v347
Nilai awal Muka Air (V) 1.82 1.36 2.54 1.75 1.94 2.82 3.08 2.74 3.03 3.15 3.38 1.78
Kecepatan partikel (V) dengan PSO 662,15 534,65 55,.35 515,75 510,95 525,95 513,05 461,75 438,35 402,65 465,95 469,85
Sumber: (Mauliana, 2016) Berdasarkan tabel 2 maka dapat ditentukan nilai minimum untuk curah hujan dan nilai minimum untuk muka air banjir setelah diolah oleh algoritma Particle Swarm Optimization, untuk nilai minimum curah hujan banjir adalah 51,710 dan untuk nilai minimum muka air banjir adalah 402,65. Curah Hujan Gerimis nilai minimum curah hujan banjir adalah 51,710 mm nilai minimum muka air banjir 402,65 mm Curah Hujan Sedang nilai minimum curah hujan banjir adalah 130,880 mm nilai minimum muka air banjir 461,75 mm 3.3. Aplikasi Prediksi Banjir Prosedur input prediksi banjir setiap pengguna (user) dapat menginputkan data secara manual suhu, kelembaban, kecepatan angin, curah hujan, dan lamanya hujan. Input data tersebut sesuaikan dengan satuan yang diberikan. Klik/pilih proses hitung untuk mengetahui prediksi banjir/tidak banjir disertai indikator EWS (Early Warning System) menyala/mati. Berikut ditampilkan flowchart menu utama aplikasi prediksi banjir (Gambar 2).
Program aplikasi prediksi banjir untuk menu utama menggunakan MS Visual Basic 6.0 adalah sebagai berikut: Private Sub Command1_Click() Form1.Show End Sub Private Sub Command2_Click() Form2.Show End Sub Private Sub Command3_Click() End End Sub
Antar muka untuk pengguna (user) aplikasi prediksi banjir ditampilkan seperti berikut (Gambar 3). Antar muka aplikasi ini terdiri dari form pilih algoritma dan tutup. Mulai
Pilih Menu: 1. Input Data 2. Hitung 3. Hapus
Input Data
Mulai
Pilih Menu: 1. Algoritma SPADE 2. Algoritma PSO 3. Tutup
Pilih
Tampil 1. Form Algoritma SPADE 2. Form Algoritma PSO
Selesai
Gambar 2. Flowchart Menu Utama KNiST, 30 Maret 2017
Input: 1. Suhu 2. Kelembaban 3. Kec Angin 4. Curah Hujan 5. Lamanya Hujan
Hitung
Tampil: 1. Indikator 2. Prediksi
Hapus
Hapus: 1. Suhu 2. Kelembaban 3. Kec Angin 4. Curah Hujan 5. Lamanya Hujan
Selesai
Gambar 3. Flowcharte Algoritma SPADE Program aplikasi prediksi banjir untuk algoritma SPADE menggunakan MS Visual Basic 6.0 adalah sebagai berikut: 345
ISBN: 978-602-61242-0-3 Private Sub Cmd_Hitung() If txt_suhu <= 23 And txt_lembab >= 94 And txt_KecAngin >= 4 And txt_CurahHujan >= 35 And txt_LamaHujan >= 60 Then Label2.Caption = "EWS Nyala" Label10.Caption = "Prediksi Banjir" Else Label2.Caption = "EWS Mati" Label10.Caption = "Prediksi Tidak Banjir" End If End Sub Private Sub Cmd-Hapus_Click() txt_suhu.Text = "" txt_lembab = "" txt_KecAngin = "" txt_CurahHujan = "" txt_LamaHujan = "" txt_suhu.SetFocus End Sub
Antar muka untuk pengguna (user) aplikasi prediksi banjir ditampilkan seperti berikut (Gambar 4). Antar muka aplikasi ini terdiri dari form input, proses hitung, proses hapus, dan tampil prediksi banjir/tidak disertai indikator EWS.
Gambar 4. Antar Muka Aplikasi Prediksi Banjir Algoritma SPADE Mulai
Pilih Menu: 1. Input Data 2. Hitung 3. Hapus
Input Data
Input: 1. Curah Hujan 2. Muka Air
Hitung
Tampil Prediksi
Hapus
Hapus 1. Curah Hujan 2. Muka Air
Program aplikasi prediksi banjir untuk algoritma PSO menggunakan MS Visual Basic 6.0 adalah sebagai berikut: Private Sub Command1_Click() If txt_CurahHujan >= 130.88 And txt_MukaAir >= 461.75 Then Label6.Caption = "Curah Hujan Deras" Label7.Caption = "Prediksi Banjir" ElseIf txt_CurahHujan >= 51.71 And txt_MukaAir >= 402.65 Then Label6.Caption = "Curah Hujan Sedang" Label7.Caption = "Prediksi Banjir" Else Label6.Caption = "Curah Hujan Gerimis" Label7.Caption = "Prediksi Tidak Banjir" End If End Sub Private Sub Command2_Click() txt_CurahHujan = "" txt_MukaAir = "" txt_CurahHujan.SetFocus End Sub
Antar muka untuk pengguna (user) aplikasi prediksi banjir ditampilkan seperti berikut (Gambar 6). Antar muka aplikasi ini terdiri dari form input, proses hitung, proses hapus, dan tampil prediksi banjir/tidak.
Gambar 6. Antar Muka Aplikasi Prediksi Banjir Algoritma PSO Pengujian aplikasi prediksi banjir menggunakan metode blackbox. Pengujian blackbox untuk memastikan proses input dapat menjalankan proses yang tepat dan menghasilkan output sesuai dengan rancangan. Hasil pengujian blackbox adalah sebagai berikut (Tabel 3).
Selesai
Gambar 5. Flowchart Algoritma PSO KNiST, 30 Maret 2017
346
ISBN: 978-602-61242-0-3 Tabel 3. Hasil Uji Blackbox Form Algoritma SPADE Input/Event
Proses
Input indikator banjir
Input Manual bentuk text
Klik Hitung
Cmd_Hitung
Klik Hapus
Cmd_Hapus
Form Algoritma PSO
Output Menampilkan nilai input indikator banjir (suhu, kelembaban, kecepatan angina, curah hujan, dan lamanya hujan). Menampilkan hasil indikator EWS dan prediksi banjir Menampilkan form kosong setiap indikator input
Hasil Uji
Input/Event
Proses
Sesuai
Input indikator banjir
Input Manual bentuk text
Sesuai
Klik Hitung
Cmd_Hitung
Sesuai
Klik Hapus
Cmd_Hapus
Hasil Uji
Output Menampilkan nilai input indikator banjir (curah hujan dan muka air). Menampilkan hasil prediksi banjir Menampilkan form kosong setiap indikator input
Sesuai
Sesuai
Sesuai
Sumber: Hasil Olah Penulis Pengujian dilakukan pada seluruh program utama, hasil pengujian blackbox yang meliputi input, proses dan output telah sesuai dengan rancangan.
Berikut dilampirkan hasil pengolahan data (proses hitung) menggunakan aplikasi prediksi banjir algoritma SPADE dan algoritma PSO yang dibandingkan dengan hasil olah data tabel 4 dan tabel 5.
Tabel 4. Hasil Proses Hitung Aplikasi Prediksi Banjir Algoritma SPADE Suhu ( )
Kelembaban
23 22,5 21 22,7 22,9 21,5 21,6 22,8 22,4 22,6 20 21,2 20,5 23,1 21,8 22,7
94 95 95 93 94 96 96 97 94 96 94 95 94 95 97 94
Kec Angin (knot) 5 5 6 6 7 4 5 5 6 7 7 7 6 6 7 7
Curah Hujan (mm) 35,5 36 39 40,2 45,1 39,4 40,3 45,2 36 39 40,2 45,5 39,7 40,3 40,3 45,4
Lamanya Hujan (menit) 61 120 98 11 85 96 100 102 15 145 97 87 5 113 87 85
Hasil Uji (EWS)
Prediksi
Nyala Nyala Nyala Mati Nyala Nyala Nyala Nyala Mati Nyala Nyala Nyala Mati Nyala Nyala Nyala
Banjir Banjir Banjir Tidak Banjir Banjir Banjir Banjir Tidak Banjir Banjir Banjir Tidak Banjir Banjir Banjir
Sumber: Hasil Olah Penulis Tabel 5. Hasil Proses Hitung Aplikasi Prediksi Banjir Algoritma PSO Nilai awal Curah Hujan (X) 25 10 11 15 11 39 20 37 15 0 25 24
Posisi Partikel (X) dengan PSO 51,710 71,925 99,397 128,820 129,330 130,880 133,380 135,870 136,310 137,580 145,770 160,500
Nilai awal Muka Air (V) 1.82 1.36 2.54 1.75 1.94 2.82 3.08 2.74 3.03 3.15 3.38 1.78
Kecepatan partikel (V) dengan PSO 662,15 534,65 55,.35 515,75 510,95 525,95 513,05 461,75 438,35 402,65 465,95 469,85
Curah Hujan Sedang Sedang Sedang Sedang Sedang Hujan Deras Sedang Hujan Deras Sedang Gerimis Gerimis Gerimis
Sumber: Hasil Olah Penulis Hasil perbandingan uji EWS dan prediksi menunjukan kesesuaian data secara keseluruhan baik algoritma SPADE maupun algoritma PSO.
KNiST, 30 Maret 2017
4. Simpulan Berdasarkan hasil pengujian terhadap aturan (rule) ditambahkan dengan pembuatan aplikasi prediksi banjir, maka dapat disimpulkan sebagai berikut: Observasi data dan pencarian pola optimal dengan menggunakan algoritma SPADE
347
ISBN: 978-602-61242-0-3 dapat menghasilkan sebuah informasi baru, yaitu prediksi banjir dan peringatan dini. Prediksi banjir hasil algoritma PSO dapat dihasilkan dengan indikator curah hujan dan muka air. Aplikasi prediksi banjir mudah digunakan, hasil yang diberikan yaitu prediksi banjir menggunakan metode fuzzy logic, hasil algoritma SPADE maupun algoritma PSO. Referensi Ary, M. (2013). Penyelesaian Persoalan Transportasi Dengan Fuzzy Cost Menggunakan Pendekatan Basis Tree. Matematika Jurnal Teori dan Terapan Matematika, Vol 11, Juni 2013, ISSN 1412-5056, 1-16. Ary, M. (2017). Aplikasi Prediksi Banjir Dengan Algoritma SPADE. Informatika, Vol.2 April 2017 ISSN 2355-6579.
Sistem Persamaan Nonlinear. Jurnal Teknik ITS, A 211-215. Santoso, & Willy. (2011). Metode Metaheuristik Konsep dan Implementasi. Surabaya: Guna Widya. Sarnapi-PikiranRakyat. (2016, Oktober 30). Banjir Bandung Selatan Terus Meluas. Retrieved Februari 8, 2017, from Pikiran Rakyat: http://www.pikiranrakyat.com/bandungraya/2016/10/30/banjir-bandungselatan-terus-meluas-383456 Suwarningsih, W., & Suryawati, E. (2012). Pembangkitan Pola Data Cuaca Untuk Sistem Peringatan Dini Banjir. INKOM Jurnal Informatika, Sistem Kendali dan Komputer LIPI, 9-14.
Brits. (2009). A Niching Particle Swarm Optimizer. -: -. Irw/Nrl-DetikNews. (2011, November 2). Beginilah Cara Kerja Early Warning System Banjir Di Jakarta. Retrieved Februari 8, 2017, from Detik News: http://news.detik.com/berita/1758742/ beginilah-cara-kerja-early-warningsystem-banjir-di-jakarta Kusumadewi, S. (2002). Analisa Desain Sistem Fuzzy Menggunakan ToolBox Matlab, Edisi Pertama Cetakan Pertama. Yogyakarta: Graha Ilmu. Kusumadewi, S., & Purnomo, H. (2010). Aplikasi Logika Fuzzy Untuk Pendukung Keputusan Edisi 2. Yogyakarta: Graha Ilmu. Mauliana, P. (2016). Prediksi Kemungkinan Banjir Sungai Citarum dengan Logika Fuzzy Hasil Algoritma Particle Swarm Optimization. Informatika, Vol 3, No 2, ISSN 2355-6579. Mohammed, J. Z. (2001). SPADE: An Efficient Algorithm for Mining Frequent Sequences, Machine Learning. Netherlands: Kluwer Academic Publishers. Rosita, A., Purwananto, Y., & Soelaiman, R. (2012). Implementasi Algoritma Particle Swarm untuk Menyelesaikan
KNiST, 30 Maret 2017
348
